A new class of measures of bivariate tail dependence called tail concordance measures (TCMs) is proposed, which is defined as the limit of a measure of concordance of the underlying copula restricted to the tail region of interest. TCMs captures the extremal relationship between random variables not only along the diagonal but also along all angles weighted by a tail generating measure. Axioms of tail dependence measures are introduced, and TCMs are shown to characterize linear tail dependence measures. The infimum and supremum of TCMs over all generating measures are considered to investigate the issue of under- and overestimation of the degree of extreme co-movements. The infimum is shown to be attained by the classical tail dependence coefficient, and thus the classical notion always underestimates the degree of tail dependence. A formula for the supremum TCM is derived and shown to overestimate the degree of extreme co-movements. Estimators of the proposed measures are studied, and their performance is demonstrated in numerical experiments. For a fair assessment of tail dependence and stability of the estimation under small sample sizes, TCMs weighted over all angles are suggested, with tail Spearman's rho and tail Gini's gamma being interesting novel special cases of TCMs.


翻译:提出了新型双轨尾鱼依赖性衡量标准,称为尾巴协调措施(TCMS),其定义是,限制仅限尾尾部感兴趣的尾部区域对底部相交点的调和度; 三角措施不仅捕捉了沿对角线随机变量之间的极端关系,而且捕捉了按尾尾部生成量加权的所有角度的随机变量之间的极端关系; 引入了尾尾部依赖性衡量标准,并展示了尾部依赖性衡量标准对线性尾部依赖性衡量标准的特点; 认为TCM对所有生成措施的刺激和超额衡量标准进行了研究,以调查极端共移动程度的估测度不足和过高的问题; 典型尾部依赖性系数显示为典型尾部依赖系数所达到的最基本关系,因此传统概念总是低估尾部依赖性的程度; 尾部依赖性依赖性计量的公式被推导出,并显示高估了极端尾部依赖性衡量标准的程度; 研究了拟议措施的刺激因素,并在数字实验中展示了其性表现; 对尾部依赖性和过度性估计的尾部和尾部尾部尾部分析,建议的所有尾部为新型尾部。

0
下载
关闭预览

相关内容

专知会员服务
37+阅读 · 2020年11月24日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
【泡泡一分钟】基于视频修复的时空转换网络
泡泡机器人SLAM
5+阅读 · 2018年12月30日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
【泡泡一分钟】基于视频修复的时空转换网络
泡泡机器人SLAM
5+阅读 · 2018年12月30日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员